CN117131458A - 一种用于光纤电流互感器的数据有效性分析方法及系统 - Google Patents
一种用于光纤电流互感器的数据有效性分析方法及系统 Download PDFInfo
- Publication number
- CN117131458A CN117131458A CN202311395070.7A CN202311395070A CN117131458A CN 117131458 A CN117131458 A CN 117131458A CN 202311395070 A CN202311395070 A CN 202311395070A CN 117131458 A CN117131458 A CN 117131458A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- current transformer
- current
- ratio difference
- fiber current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 131
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 239000000835 fiber Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种用于光纤电流互感器的数据有效性分析方法及系统,方法包括:根据光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数确定与光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量;获取包含至少一个目标状态量的监测数据,并将监测数据输入至预设的贝叶斯优化的GBRT模型中,得到光纤电流互感器的电流比差的预测值;判断光纤电流互感器的电流比差的预测值是否在预设范围内;若光纤电流互感器的电流比差的预测值在预设范围内,则光纤电流互感器正常,否则异常。直接利用训练好的模型代入数据集去预测电流比差数据,有效的避免了光纤电流互感器的电流比差的测量过程。
Description
技术领域
本发明属于光纤电流互感器技术领域,尤其涉及一种用于光纤电流互感器的数据有效性分析方法及系统。
背景技术
与传统电磁式电流互感器相比,光纤电流互感器(Fiber Optical CurrentTransformer,FOCT)具有绝缘特性好、频带宽、动态范围大、检测精度高、体积小及重量轻等一系列优点,更加兼容现代数字控制和保护系统,成为电子式电流互感器的重要研究方向。光纤电流互感器(FOCT)在现场运行过程中会受到各种外在的因素(例如环境温度、振动、冲击、电磁干扰等)和内在因素(光电子器件性能老化、光路损耗增加等)的影响,这些因素将引起光纤电流互感器。
内部状态量发生变化,从而降低了产品的准确性和可靠性。所以对这些状态量的监测是必不可少的,FOCT数据输出的有效性对于我们的工作有着重要意义,数据的有效性判断方法一般都是通过测量变比的大小来判断,但我们仪器在工作过程不可能一直去测量变比的大小,研究人员也很难通过其它方面去判断数据输出的有效性,因此找到一种FOCT数据有效性的判断手段是非常重要的。
发明内容
本发明提供一种用于光纤电流互感器的数据有效性分析方法、系统及可读存储介质,用于解决很难通过除去一直测量变比大小的其它方式分析数据输出的有效性的技术问题。
第一方面,本发明提供一种用于光纤电流互感器的数据有效性分析方法,包括:
获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
第二方面,本发明提供一种用于光纤电流互感器的数据有效性分析系统,包括:
获取模块,配置为获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
确定模块,配置为根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
输出模块,配置为获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断模块,配置为判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
分析模块,配置为若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的用于光纤电流互感器的数据有效性分析方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的用于光纤电流互感器的数据有效性分析方法的步骤。
本申请的用于光纤电流互感器的数据有效性分析方法及系统,具有以下有益效果:
利用光纤电流互感器的状态监测数据与电流比差大小的关系,通过已测状态监测数据和电流比差数据代入贝叶斯优化的GBRT模型进行训练,模型训练完成后,以后去采集光纤电流互感器的状态监测数据时,可以直接利用训练好的模型代入数据集去预测电流比差数据,通过这种方式,有效的避免了光纤电流互感器的电流比差的测量过程。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种用于光纤电流互感器的数据有效性分析方法的流程图;
图2为本发明一实施例提供的一种用于光纤电流互感器的监测数据筛选方法的流程图;
图3为本发明一实施例提供的一种用于光纤电流互感器的数据有效性分析系统的结构框图;
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种用于光纤电流互感器的数据有效性分析方法的流程图。
如图1所示,用于光纤电流互感器的数据有效性分析方法具体包括以下步骤:
步骤S101,获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数。
在本步骤中,温度参数包括光模块温度、电路板温度、传感头温度和激光器温度,这些数据可以反映光纤电流互感器的工作环境和激光器的工作状态;功率参数包括发射功率、返回功率和返回光功率等,这些数据可以反映光纤电流互感器的光路质量和信号强度;电流电压参数包括激光器电流、TEC电压、TEC电流、激光器电压、参考源电压、正电源电压和负电源电压等,这些数据可以反映光纤电流互感器的电路状态和电源质量;补偿参数包括传感环补偿和光模块补偿等数据,用于进行传感器的补偿操作。
步骤S102,根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量。
需要说明的是,灰色关联分析是通过计算灰色关联度,用灰色关联来描述因素间
关系的强弱、大小和次序的多因素分析技术。利用灰色关联度对数据集进行输入变量(即影
响FOCT变比的各因素)与目标变量(变比数据)的关联分析,关联度阈值取0.6,可测状态
量中关联度阈值大于0.6的有传感头温度、发射功率、返回功率、激光器温度、半波电压这
五个状态量,因此可以把这五个状态量作为贝叶斯优化的GBRT模型的输入。
步骤S103,获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系。
对五个状态量的在线监测,得到包含SLD光源管芯温度、SLD光源输出光功率、光电探测器接收光功率、传感环温度、半波电压的监测数据。
具体地,对五个状态量的在线监测具体包括:
SLD光源管芯温度可通过安装在管芯表面的热敏电阻进行精确测量同时使用辅助的AD芯片转换为数字信号送到上位机监控软件或送到信号处理电路中用于状态监控的辅助CPU中进行处理;
SLD光源输出光功率在线监控是通过I/V变换电路将SLD驱动电流和制冷电流转换成电压信号,并与其他电压信号一起送入A/D做模数转换,转换后的数字信号送入控制器;
独立对相位调制器的半波电压进行监测方法比较复杂,在FOCT运行时,可通过监
测相位闭环反馈过程中阶梯波复位前后产生的信号差的对比来得到半波电压的变化;
探测器接收功率可以通过对探测器光电转换输出的电信号经过A/D采样后再进行求和平均来实现监测;
传感环的工作温度将对FOCT的准确度有较大的影响,在-40~70℃范围内,传感环的全温误差通常可控制在0.5%内,采取合适的封装工艺可保证传感环温度曲线在长期范围内具有较好的重复性。因此可以使用温度传感器测量传感环的工作温度。
用于光纤电流互感器的监测数据筛选方法具体包括以下步骤:
如图2所示,分别将五个状态量监测数据归一化处理,其中,归一化处理公式如下:
,
式中,为归一化后的数据,/>为原始数据,/>、/>分别为原始数据集的最大值和最小值。
由归一化处理结果知,其中,激光器温度和传感头温度波动范围较大,半波电压、发射功率和返回功率波动范围较小,根据它们波动范围划分区间,其中,激光器温度和传感头温度划分为四个区间,激光器温度区间分别设置为A1、A2、A3、A4,传感头温度区间分别设置为B1、B2、B3、B4半波电压、发射功率和返回功率划分为三个区间,半波电压区间分别设置为C1、C2、C3,发射功率区间分别设置为D1、D2、D3,返回功率区间分别设置为E1、E2、E3。
利用树状图分类思想对状态量监测数据出现情况进行排列组合,讨论状态量数据出现情况,根据监测数据确定每一种情况出现概率,
确定所需数据量,根据所需数据量确定每一种情况所需要抽取数据量,对所抽取数据量进行反归一化处理,其中,反归一化处理公式如下:
简述GBRT的步骤:
(1)确定优化的损失函数并生成初始值;
(2)建立单个回归树进行预测分析;
(3)通过循环添加新的回归树以最小化损失函数,最终得出一个叠合模型。具体步骤为:
(3.1)假设L为损失函数、为定义的初始预测值、/>为真实值(其中/>为数据的索引),则损失函数以差的平方形式表达为/>。通过最小化当前的损失函数,以得出初始值/>,则初始化的模型表达式为:
,
取L相对于的导数,最后求导得出/>。
(3.2)假设K为创建回归树的总数量,k表示每个回归树的索引,建立每个回归树的最小化损失函数的表达式,其结果可以通过取损失函数相对于之前预测模型/>的导数得出:
,
最终求解表达式得出 =/>-/>,从表达式结果可以看出,最小化回归树的损失函数即是对误差的求解。假设训练的每个回归树中,z表示树中的叶子节点的索引,Z表示叶子节点的总数,/>表示第k个树上每个叶节点,则能够形成在叶节点上的损失函数最小化的表达式/>,表示为:
表达式通过求导可以得出最终结果:
,
,
,
式中,是每个叶节点z中样本的数量,最后求得结果为:
,
从结果表达式中可以得出优化的,或者说叶节点上的最小化损失函数的方法是把每个叶节点上所有样本的误差求平均值。最后,更新现有的模型表达式为:
,
上述表达式可以解释为:若给定的样本出现在终端节点/>中,则选取满足条件的/>。其中/>为学习速率,取值通常在0~1,其决定了每个回归树的贡献度。相应地,αzk被添加到先前预测的/>中,用来更新预测/>。
(3.3)为了最终能获得最优的模型性能,对第(2)步进行K次迭代,从而将K个回归树逐步添加到组合模型中。
简述贝叶斯优化的GBRT超参数步骤,假设F为目标函数,S为超参数的搜索范围、s为选择的超参数组合、K为采集函数、P为代理模型,Data表示采样的数据集、j为最大迭代次数,贝叶斯优化的伪代码流程可以表示为:
INPUT:F,S,K,P
Data ← F(S)
for i ← 1 to j do
p ← update(p,Data)
s ← argmaxs ∈ S K(s,p)
Data ← Data∪F(s)
End for
其中采集函数K的作用是从代理函数中选择下一组超参数,逐步探索直到找出全局最优值。最常见的采集函数就是Expected Improvement(EI),其表达式为:
,
式中,为目标函数的临界值,/>为推荐的超参数组合,/>为在推荐的超参数组合条件下目标函数的实际值,/>为给定s得出y的代理概率模型。表达式的含义则是相对于推荐的超参数,在代理模型下使EI最大化。
采取帕尔逊树结构估计器(TPE)来建立代理模型,其算法基于贝叶斯模型展开,并且可以与EI结合使用进行超参数选取,TPE的表达式为:
,
式中,为给定目标函数的得分的超参数概率,也可以表示为:
,
对超参数进行了两种不同的分布:一种是目标函数的实际值小于临界值,另一种是目标函数的实际值大于临界值。之后使用核密度估计器(KDE)对两种分布的密度结果进行建模分析,从/>中提取样本超参数,根据/>//>对其进行评估,并返还能够使EI最大化的超参数组合,最后在目标函数上评估这些超参数。
将已有的FOCT的相关数据输入到贝叶斯优化的GBRT模型,输出结果即为所需的比差预测值。
步骤S104,判断所述光纤电流互感器的电流比差的预测值是否在预设范围内。
当神经网络模型训练成功后,通过在线监测系统产生新的数据集,把数据代入训练好的神经网络模型中,得到比差的大小预测值,当比差的预测值在[-0.002,0.002]之间时说明光纤电流互感器正常,否则异常。
步骤S105,若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
综上,本申请的方法,首先分析所有的状态量与比差之间的关系,找到相关性比较高的目标状态量,对目标状态量进行在线监测,然后把监测出来的数据代入贝叶斯优化的GBRT模型中,通过监测目标状态量的变化来预测比差的大小,从而根据得到比差大小来判断数据输出的有效性,具体地,当一组状态监测量发生变化时,比差也会发生变化,不同的状态监测数据下对应的比差也不一样,当把新采集的数据代入贝叶斯优化的GBRT模型中,能够预测出比差的大小,从而根据比差的误差值就可以判断出光纤电流互感器数据输出的有效性。
请参阅图3,其示出了本申请的一种用于光纤电流互感器的数据有效性分析系统的结构框图。
如图3所示,数据有效性分析系统200,包括获取模块210、确定模块220、输出模块230、判断模块240以及分析模块250。
其中,获取模块210,配置为获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
确定模块220,配置为根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
输出模块230,配置为获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断模块240,配置为判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
分析模块250,配置为若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
应当理解,图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的用于光纤电流互感器的数据有效性分析方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于光纤电流互感器的数据有效性分析系统的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至用于光纤电流互感器的数据有效性分析系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图4是本发明实施例提供的电子设备的结构示意图,如图4所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图4中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例用于光纤电流互感器的数据有效性分析方法。输入装置330可接收输入的数字或字符信息,以及产生与用于光纤电流互感器的数据有效性分析系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于用于光纤电流互感器的数据有效性分析系统中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种用于光纤电流互感器的数据有效性分析方法,其特征在于,包括:
获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
2.根据权利要求1所述的一种用于光纤电流互感器的数据有效性分析方法,其特征在于,所述根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量包括:
根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定所述光纤电流互感器的至少一个状态量;
根据灰色关联分析法对所述至少一个状态量进行分析,得到与所述光纤电流互感器的变比的关联性大于阈值的至少一个目标状态量。
3.根据权利要求1所述的一种用于光纤电流互感器的数据有效性分析方法,其特征在于,在将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值之前,所述方法还包括:
基于预设采集频率获取监测数据,所述采集频率为两秒采集一次;
设置网络的参数,确定初始模型的学习速率、子树数量、最大深度的权重值;
利用贝叶斯算法对初始模型的学习速率、子树数量、最大深度的超参数权重进行优化,并用训练数据集对优化后的初始模型进行迭代训练,直至满足迭代条件后停止训练,得到贝叶斯优化的GBRT模型。
4.根据权利要求1所述的一种用于光纤电流互感器的数据有效性分析方法,其特征在于,所述判断所述光纤电流互感器的电流比差的预测值是否在预设范围内包括:
判断所述光纤电流互感器的比差的预测值是否在[-0.002,0.002]内。
5.一种用于光纤电流互感器的数据有效性分析系统,其特征在于,包括:
获取模块,配置为获取所述光纤电流互感器的温度参数、功率参数、电流电压参数和补偿参数;
确定模块,配置为根据所述温度参数、所述功率参数、所述电流电压参数和所述补偿参数确定与所述光纤电流互感器的电流比差的关联性大于阈值的至少一个目标状态量,其中,所述光纤电流互感器的电流比差为实际电流值与测量电流值的差值和实际电流值的比值百分比,计算所述光纤电流互感器的电流比差的表达式为:
,
式中,为光纤电流互感器的电流比差,/>为实际电流值,/>为测量电流值;
输出模块,配置为获取包含所述至少一个目标状态量的监测数据,并将所述监测数据输入至预设的贝叶斯优化的GBRT模型中,得到所述光纤电流互感器的电流比差的预测值,其中,所述贝叶斯优化的GBRT模型中包含所述至少一个目标状态量与光纤电流互感器的电流比差大小的关联关系;
判断模块,配置为判断所述光纤电流互感器的电流比差的预测值是否在预设范围内;
分析模块,配置为若所述光纤电流互感器的电流比差的预测值在预设范围内,则所述光纤电流互感器正常,否则异常。
6.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395070.7A CN117131458A (zh) | 2023-10-26 | 2023-10-26 | 一种用于光纤电流互感器的数据有效性分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395070.7A CN117131458A (zh) | 2023-10-26 | 2023-10-26 | 一种用于光纤电流互感器的数据有效性分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131458A true CN117131458A (zh) | 2023-11-28 |
Family
ID=88858545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395070.7A Pending CN117131458A (zh) | 2023-10-26 | 2023-10-26 | 一种用于光纤电流互感器的数据有效性分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131458A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858756A (zh) * | 2018-12-28 | 2019-06-07 | 北京三快在线科技有限公司 | 一种服务质量缺陷诊断方法和装置 |
CN110632545A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于回归神经网络电子式互感器误差风险评估方法和装置 |
CN111814390A (zh) * | 2020-06-18 | 2020-10-23 | 三峡大学 | 基于传递熵和小波神经网络的电压互感器误差预测方法 |
CN112000001A (zh) * | 2020-06-12 | 2020-11-27 | 中铁科工集团装备工程有限公司 | 一种基于改进贝叶斯模型的pid参数整定优化方法 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN115050477A (zh) * | 2022-06-21 | 2022-09-13 | 河南科技大学 | 一种贝叶斯优化的RF与LightGBM疾病预测方法 |
CN115270637A (zh) * | 2022-08-11 | 2022-11-01 | 郑州大学 | 一种基于gbrt的地下排水管道最大应力预测方法 |
CN115327206A (zh) * | 2022-10-13 | 2022-11-11 | 北京世维通光智能科技有限公司 | 基于光纤电流传感器的电流获取方法、装置及设备 |
CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
CN116523499A (zh) * | 2023-04-28 | 2023-08-01 | 北京航空航天大学 | 基于数据驱动模型的自动故障诊断和预测方法及系统 |
-
2023
- 2023-10-26 CN CN202311395070.7A patent/CN117131458A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858756A (zh) * | 2018-12-28 | 2019-06-07 | 北京三快在线科技有限公司 | 一种服务质量缺陷诊断方法和装置 |
CN110632545A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于回归神经网络电子式互感器误差风险评估方法和装置 |
CN112000001A (zh) * | 2020-06-12 | 2020-11-27 | 中铁科工集团装备工程有限公司 | 一种基于改进贝叶斯模型的pid参数整定优化方法 |
CN111814390A (zh) * | 2020-06-18 | 2020-10-23 | 三峡大学 | 基于传递熵和小波神经网络的电压互感器误差预测方法 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN115050477A (zh) * | 2022-06-21 | 2022-09-13 | 河南科技大学 | 一种贝叶斯优化的RF与LightGBM疾病预测方法 |
CN115270637A (zh) * | 2022-08-11 | 2022-11-01 | 郑州大学 | 一种基于gbrt的地下排水管道最大应力预测方法 |
CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
CN115327206A (zh) * | 2022-10-13 | 2022-11-11 | 北京世维通光智能科技有限公司 | 基于光纤电流传感器的电流获取方法、装置及设备 |
CN116523499A (zh) * | 2023-04-28 | 2023-08-01 | 北京航空航天大学 | 基于数据驱动模型的自动故障诊断和预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
冀心成等: "贝叶斯优化梯度提升树的室内日光照度分布预测", 计算机与现代化, no. 9, pages 44 - 50 * |
杨林等著: "Python金融大数据风控建模实战", 北京:机械工业出版社, pages: 296 - 297 * |
杨玮等: "基于图像处理和GBRT模型的表土层土壤容重预测", 农业机械学报, vol. 51, no. 9, pages 193 - 200 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106815643B (zh) | 基于随机森林迁移学习的红外光谱模型传递方法 | |
CN106529701A (zh) | 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 | |
CN110109441A (zh) | 一种激光惯组故障预测方法和系统 | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN116149397A (zh) | 电子级双氧水存储的温度自适应控制系统 | |
CN113111305A (zh) | 一种异常检测方法、装置、存储介质及电子设备 | |
Anderson et al. | Meaningful uncertainties from deep neural network surrogates of large-scale numerical simulations | |
CN108984851B (zh) | 一种带时延估计的加权高斯模型软测量建模方法 | |
Qu et al. | Decentralized dynamic state estimation for multi-machine power systems with non-Gaussian noises: Outlier detection and localization | |
CN117131458A (zh) | 一种用于光纤电流互感器的数据有效性分析方法及系统 | |
WO2023169589A1 (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
CN115459868B (zh) | 一种复杂环境下的毫米波通信性能评估方法及系统 | |
CN115526328B (zh) | 一种基于模拟量子器件计算系统本征值的方法及装置 | |
CN111144650A (zh) | 电力负荷预测方法、装置、计算机可读存储介质及设备 | |
US20220318593A1 (en) | System for generating natural language comment texts for multi-variate time series | |
Miao et al. | Predicting research of mechanical gyroscope life based on wavelet support vector | |
CN115329146A (zh) | 时序网络中的链路预测方法、电子设备及存储介质 | |
Zheng et al. | Soft measurement modeling based on temperature prediction of LSSVM and ARMA rotary kiln burning zone | |
Saavedra et al. | Full Optical Fiber Link Characterization With the BSS-Lasso | |
Lugnani et al. | Real-time Coherency Identification using a Window-Size-Based Recursive Typicality Data Analysis | |
CN111612159A (zh) | 特征重要性测量方法、设备及可读存储介质 | |
Yurasova et al. | Dynamic measurement errors correction adaptive to noises of a sensor | |
JP2021162532A (ja) | 情報処理装置、スペクトル解析方法、およびデータベース生成方法 | |
MARTINEZ C et al. | Higher-order normal form analysis of stressed power systems: A fundamental study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |